图像和行为识别的开放域适应性
该研究提出了一种利用对抗训练的开放式域自适应方法,其中分类器被训练用于在源与目标样本之间建立边界,而生成器被训练用于使目标样本远离边界,从而摆脱未知的目标样本,该方法在领域适应设置中得到了广泛的评估,并在大多数设置中优于其他方法。
Apr, 2018
本文提供了第一篇研究开放领域自适应的学习界限,并提出了一种基于分布对齐的新型无监督算法,该算法旨在正则化开放集差异界限,实验证明所提出的 UOSDA 方法优于现有文献中的最新方法。
Jul, 2019
我们提出了一个能够将数据因子化为共享和私有部分并鼓励共享表示具有判别性的框架,以自动检测目标数据中出现的新类别并将其丢弃,从而在开放域适应中显著优于现有技术。
May, 2018
在弱监督开放域自适应中,使用 CDA 的知识转移方法能够双向协调地分类未标记数据和识别异常点,并在应用于 Person reidentification 和 Office 基准时达到了最先进的性能。
Apr, 2019
在没有使用带标签源数据集的情况下,提出了一种新颖的领域适配范式,其中源培训模型被用于实现适应。该方法包括一种知识继承度量方法,以及一种可实现适应的继承模型选择方法。在视觉识别任务中进行综合实验评估,取得了最先进的开放域适配性能。
Apr, 2020
该研究提出了一种新的两阶段学习过程,以实现无监督域适应并实现源自由部署。在采购阶段,通过利用现有的源数据,在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力;在部署阶段,通过使用命名为源相似度度量的新型实例级加权机制,提出了一个简单而有效的源自由自适应目标,以设计一个统一的自适应算法,该算法可在各种范畴差异下运作,并实现了卓越的域适应性能。
Apr, 2020
该研究提出了一种针对亮度、对比度等自然变化轴的目标域适应方法,只需要无标签的目标数据和源分类器,有效地解决了预训练模型中源数据不可用的问题,并表明其在有限标记数据的情况下胜过微调基线。
Jul, 2020
本文综述了最新的单源深度无监督域适应方法,主要集中在视觉任务中,并讨论了未来研究的新视角。首先介绍了不同领域适应策略的定义和现有基准数据集的描述,然后总结和比较了不同类别的单源无监督域适应方法,包括基于差异性的方法,对抗式鉴别方法,对抗式生成方法和自监督方法,并探讨了未来的研究方向、挑战和可能的解决方案。
Sep, 2020